Що таке машинне навчання?

У грудні 2017 року дослідницька лабораторія DeepMind, придбана Google у 2014 році, представила AlphaZero, програму штучного інтелекту, яка могла перемогти чемпіонів світу в кількох настільних іграх.

Цікаво, що AlphaZero отримав від людей нульові вказівки щодо того, як грати в ігри (звідси і назва). Натомість він використовував машинне навчання, галузь AI, яка розвиває свою поведінку через досвід замість явних команд.

Протягом 24 годин AlphaZero досягла надлюдських виступів у шахах та перемогла попередню програму з шахів у світі. Незабаром алгоритм машинного навчання AlphaZero також освоїв Shogi (японські шахи) та китайську настільну гру Go, і він переміг свого попередника, AlphaGo, 100 до нуля.

Машинне навчання набуло популярності в останні роки і допомагає комп’ютерам вирішувати проблеми, які раніше вважалися виключною сферою інтелекту людини. І хоча це все ще далеко від оригінального бачення штучного інтелекту, машинне навчання набагато наблизило нас до кінцевої мети створення мислячих машин.

Яка різниця між штучним інтелектом та машинним навчанням?

Традиційні підходи до розвитку штучного інтелекту передбачають ретельне кодування всіх правил та знань, що визначають поведінку агента ШІ. Створюючи AI на основі правил, розробники повинні написати інструкції, які визначають, як повинен поводитися AI у відповідь на кожну можливу ситуацію. Цей підхід, заснований на правилах, також відомий як добрий старомодний ШІ (GOFAI) або символічний ШІ, намагається наслідувати функції міркування та представлення знань людського розуму.

Прекрасним прикладом символічного ШІ є «Stockfish», шаховий двигун із відкритим кодом, що займає перше місце, з десятирічним періодом створення. Сотні програмістів і шахістів внесли свій внесок у Stockfish і допомогли розвинути його логіку, кодуючи його правила - наприклад, що повинен робити AI, коли противник переміщує свого лицаря з B1 на C3.

Але AI на основі правил часто порушується при роботі з ситуаціями, коли правила занадто складні та неявні. Розпізнавання мови та об'єктів у зображеннях, наприклад, є вдосконаленими операціями, які не можуть бути виражені логічними правилами.

На відміну від символічного AI, моделі машинного навчання AI розробляються не за допомогою написання правил, а за допомогою збору прикладів. Наприклад, для створення машинного шахового двигуна розробник створює базовий алгоритм, а потім «тренує» його за допомогою даних тисяч раніше грали в шахи. Аналізуючи дані, ШІ знаходить загальні зразки, що визначають виграшні стратегії, які він може використовувати для перемоги реальних опонентів.

Чим більше ігор AI оглядає, тим краще стає при прогнозуванні виграшних кроків під час гри. Ось чому машинне навчання визначається як програма, продуктивність якої покращується з досвідом.

Машинне навчання застосовно до багатьох завдань у реальному світі, включаючи класифікацію зображень, розпізнавання голосу, рекомендації щодо вмісту, виявлення шахрайства та природну обробку мови.

Контрольоване та непідконтрольне навчання

Залежно від проблеми, яку вони хочуть вирішити, розробники готують відповідні дані для побудови своєї моделі машинного навчання. Наприклад, якщо вони хотіли використовувати машинне навчання для виявлення шахрайських банківських транзакцій, розробники склали список існуючих транзакцій та позначили їх результатом (шахрайським або дійсним). Коли вони подають дані в алгоритм, він розділяє шахрайські та дійсні транзакції та знаходить загальні характеристики у кожному з двох класів. Процес навчання моделей з анотованими даними називається "контрольоване навчання" і в даний час є домінуючою формою машинного навчання.

Багато інтернет-сховищ мічених даних для різних завдань вже існують. Деякі популярні приклади - ImageNet, набір даних із відкритим кодом, що містить понад 14 мільйонів зображень із міткою, і MNIST, набір даних із 60000 мітками, написаними від руки. Розробники машинного навчання також використовують такі платформи, як Механічний турк Amazon, онлайн-центр з наймом на замовлення для виконання пізнавальних завдань, таких як маркування зображень та зразків аудіо. А зростаючий сектор стартапів спеціалізується на анотації даних.

Але не всі проблеми потребують мічених даних. Деякі проблеми машинного навчання можна вирішити за допомогою "непідвладного навчання", де ви надаєте моделі AI з необробленими даними та дозволяєте самій зрозуміти, які зразки є релевантними.

Поширене використання непідвладного навчання - виявлення аномалії. Наприклад, алгоритм машинного навчання може навчати необроблені дані про мережевий трафік пристрою, підключеного до Інтернету, скажімо, розумного холодильника. Після тренування AI встановлює базову лінію для пристрою і може відзначати поведінку зовні. Якщо пристрій заразиться шкідливим програмним забезпеченням і почне спілкуватися зі шкідливими серверами, модель машинного навчання зможе його виявити, оскільки мережевий трафік відрізняється від звичайної поведінки, що спостерігається під час тренувань.

Навчання зміцненню

На сьогодні ви, напевно, знаєте, що якісні дані про навчання відіграють величезну роль у ефективності моделей машинного навчання. Але посилене навчання - це спеціалізований тип машинного навчання, в якому AI розвиває свою поведінку без використання попередніх даних.

Моделі підсилення та навчання починаються з чистого сланця. Їх навчають лише за основними правилами навколишнього середовища та завданнями. За допомогою спроб та помилок вони вчаться оптимізувати свої дії під свої цілі.

AlphaZero DeepMind - цікавий приклад посиленого навчання. На відміну від інших моделей машинного навчання, які повинні бачити, як люди грають у шахи та вчаться з них, AlphaZero почав лише знати рухи фігур та умови виграшу гри. Після цього вона зіграла мільйони матчів проти себе, починаючи з випадкових дій і поступово розвиваючи поведінкові моделі.

Навчання з посилення - гаряча область досліджень. Це основна технологія, що використовується для розробки моделей AI, яка може освоїти складні ігри, такі як Dota 2 та StarCraft 2, а також використовується для вирішення реальних проблем, таких як управління ресурсами центру обробки даних та створення робототехнічних рук, які можуть обробляти об'єкти з людською спритністю. .

Глибоке навчання

Глибоке навчання - ще один популярний підмножина машинного навчання. Він використовує штучні нейронні мережі, програмні конструкції, які орієнтовані приблизно на біологічну структуру мозку людини.

Нейронні мережі перевершують обробку неструктурованих даних, таких як зображення, відео, аудіо та довгі фрагменти тексту, такі як статті та наукові роботи. Перед глибоким навчанням фахівцям машинного навчання довелося докласти чимало зусиль для вилучення функцій із зображень та відеозаписів, а над ними працюватимуть алгоритми. Нейронні мережі автоматично виявляють ці особливості, не вимагаючи великих зусиль від людських інженерів.

Глибоке навчання стоїть за багатьма сучасними технологіями AI, такими як машини без водіїв, вдосконалені системи перекладу та технологія розпізнавання облич у вашому iPhone X.

Межі машинного навчання

Люди часто плутають машинне навчання з людським рівнем штучного інтелекту, а відділи маркетингу деяких компаній навмисно використовують терміни взаємозамінно. Але в той час, як машинне навчання досягло значних успіхів у вирішенні складних завдань, це ще дуже далеко від створення мислячих машин, передбачених піонерами ШІ.

Крім навчання на досвіді, справжній інтелект вимагає міркувань, здорового глузду та абстрактного мислення - сфери, в яких моделі машинного навчання працюють дуже погано.

Наприклад, хоча машинне навчання добре справляється зі складними завданнями розпізнавання образів, такими як прогнозування раку молочної залози на п’ять років наперед, воно бореться з більш простою логікою та міркуваннями, такими як вирішення математичних завдань середньої школи.

Відсутність можливості машинного навчання в міркуванні робить поганим узагальнення знань. Наприклад, агент з машинного навчання, який може грати в Super Mario 3, як професіонал, не буде домінувати в іншій ігровій платформі, наприклад, Mega Man або навіть іншій версії Super Mario. Це потрібно було б навчити з нуля.

Не маючи сили витягувати концептуальні знання з досвіду, для машинного навчання потрібні багато навчальних даних. На жаль, для багатьох доменів не вистачає достатніх даних про навчання або не вистачає коштів, щоб придбати більше. Глибоке навчання, яке зараз є поширеною формою машинного навчання, також страждає від проблеми пояснення: нейронні мережі працюють складними способами, і навіть їх творці намагаються слідувати процесам прийняття рішень. Це ускладнює використання потужності нейронних мереж у налаштуваннях, де є законодавча вимога для пояснення рішень щодо ІІ.

На щастя, докладаються зусилля для подолання меж машинного навчання. Одним із примітних прикладів є широко розповсюджена ініціатива DARPA, дослідницької групи Міністерства оборони, створити пояснювані моделі ШІ.

• Що таке штучний інтелект (ШІ)? Що таке штучний інтелект (ШІ)?
• Більшість доларів AI переходять на машинне навчання Більшість доларів AI переходять на машинне навчання
• Як ви хочете, щоб AI використовувався? Як ви хочете, щоб AI використовувався?

Інші проекти мають на меті зменшити надмірну залежність машинного навчання від помічених даних і зробити технологію доступною для доменів з обмеженими даними про навчання. Нещодавно дослідники IBM та MIT здійснили вторгнення в цій галузі, поєднуючи символічний ІІ з нейронними мережами. Гібридні моделі AI вимагають менше даних для навчання і можуть давати покрокові пояснення своїх рішень.

Чи допоможе нам еволюція машинного навчання врешті-решт досягти незрозумілої мети створення ІС на рівні людини. Але ми точно знаємо, що завдяки вдосконаленню машинного навчання пристрої, що сидять за столом і відпочивають у кишенях, з кожним днем ​​стають розумнішими.